LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
liansj完成签到,获得积分10
1秒前
少年完成签到,获得积分10
1秒前
李爱国应助科研通管家采纳,获得10
1秒前
ding应助科研通管家采纳,获得10
1秒前
在水一方应助科研通管家采纳,获得10
1秒前
吉祥应助科研通管家采纳,获得30
2秒前
脑洞疼应助科研通管家采纳,获得10
2秒前
NIHAO完成签到 ,获得积分10
2秒前
英俊的铭应助科研通管家采纳,获得10
2秒前
英姑应助科研通管家采纳,获得10
2秒前
英姑应助科研通管家采纳,获得30
2秒前
慕青应助科研通管家采纳,获得10
2秒前
2秒前
手术刀发布了新的文献求助10
2秒前
端庄的煎蛋完成签到,获得积分10
2秒前
Zhao_Kai完成签到 ,获得积分10
2秒前
feilei完成签到,获得积分10
3秒前
蔡俊辉发布了新的文献求助10
3秒前
张家木完成签到,获得积分10
3秒前
ziyue发布了新的文献求助10
4秒前
4秒前
坦率的从丹完成签到 ,获得积分10
5秒前
111发布了新的文献求助10
5秒前
喵咪西西完成签到 ,获得积分10
5秒前
xixihaha发布了新的文献求助10
6秒前
123456完成签到,获得积分10
7秒前
不倦应助吴晨曦采纳,获得10
7秒前
蔡俊辉完成签到,获得积分10
8秒前
beyond_xdy完成签到 ,获得积分10
8秒前
xuzhu0907完成签到,获得积分10
9秒前
丘比特应助机智张采纳,获得10
9秒前
搜集达人应助zhongjiaweiv采纳,获得10
9秒前
9秒前
DaLu完成签到,获得积分10
10秒前
嗒嗒完成签到,获得积分10
10秒前
刘晚柠完成签到 ,获得积分10
10秒前
申振发布了新的文献求助10
10秒前
Liao完成签到,获得积分10
11秒前
11秒前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3183774
求助须知:如何正确求助?哪些是违规求助? 2833967
关于积分的说明 7996535
捐赠科研通 2496239
什么是DOI,文献DOI怎么找? 1332000
科研通“疑难数据库(出版商)”最低求助积分说明 636466
邀请新用户注册赠送积分活动 603660